ترجمه فارسی مقاله XDT-CXR: بررسی قابلیت انتقال متقاطع بیماری در طبقه بندی باینری صفر شات اشعه ایکس قفسه سینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی XDT-CXR: Investigating Cross-Disease Transferability in Zero-Shot Binary Classification of Chest X-Rays
عنوان مقاله به فارسی XDT-CXR: بررسی قابلیت انتقال متقاطع بیماری در طبقه بندی باینری صفر شات اشعه ایکس قفسه سینه
نویسندگان Umaima Rahman, Abhishek Basu, Muhammad Uzair Khattak, Aniq Ur Rahman
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 21 August, 2024; originally announced August 2024. , Comments: Accepted in Machine Learning for Healthcare Conference MLHC 2024
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پذیرفته شده در یادگیری ماشین برای کنفرانس مراقبت های بهداشتی MLHC 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This study explores the concept of cross-disease transferability (XDT) in medical imaging, focusing on the potential of binary classifiers trained on one disease to perform zero-shot classification on another disease affecting the same organ. Utilizing chest X-rays (CXR) as the primary modality, we investigate whether a model trained on one pulmonary disease can make predictions about another novel pulmonary disease, a scenario with significant implications for medical settings with limited data on emerging diseases. The XDT framework leverages the embedding space of a vision encoder, which, through kernel transformation, aids in distinguishing between diseased and non-diseased classes in the latent space. This capability is especially beneficial in resource-limited environments or in regions with low prevalence of certain diseases, where conventional diagnostic practices may fail. However, the XDT framework is currently limited to binary classification, determining only the presence or absence of a disease rather than differentiating among multiple diseases. This limitation underscores the supplementary role of XDT to traditional diagnostic tests in clinical settings. Furthermore, results show that XDT-CXR as a framework is able to make better predictions compared to other zero-shot learning (ZSL) baselines.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه به بررسی مفهوم انتقال مقطع بین المللی (XDT) در تصویربرداری پزشکی می پردازد ، با تمرکز بر پتانسیل طبقه بندی کننده های باینری که بر روی یک بیماری آموزش دیده اند تا طبقه بندی صفر را بر روی بیماری دیگری که در همان اندام تأثیر می گذارد ، انجام دهد.با استفاده از اشعه X قفسه سینه (CXR) به عنوان روش اصلی ، ما بررسی می کنیم که آیا یک مدل آموزش دیده بر روی یک بیماری ریوی می تواند پیش بینی های مربوط به بیماری جدید ریوی دیگر را انجام دهد ، یک سناریو با پیامدهای قابل توجهی برای تنظیمات پزشکی با داده های محدود در مورد بیماری های در حال ظهور.چارچوب XDT فضای تعبیه کننده یک رمزگذار بینایی را اعمال می کند ، که از طریق تحول هسته ، در تمایز بین کلاس های بیمار و غیرقانونی در فضای نهفته کمک می کند.این توانایی به ویژه در محیط های محدود به منابع یا در مناطقی که شیوع کم بیماری های خاص دارند ، مفید است ، جایی که ممکن است شیوه های تشخیصی معمولی از بین بروند.با این حال ، چارچوب XDT در حال حاضر محدود به طبقه بندی باینری است و فقط حضور یا عدم وجود یک بیماری را به جای تمایز بین بیماری های متعدد تعیین می کند.این محدودیت نقش تکمیلی XDT را در آزمایشات تشخیصی سنتی در تنظیمات بالینی تأکید می کند.علاوه بر این ، نتایج نشان می دهد که XDT-CXR به عنوان یک چارچوب قادر به پیش بینی های بهتری در مقایسه با سایر خطوط یادگیری صفر (ZSL) است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.